物体定位Object Detection中评价标准mAP的简单介绍

首先再回顾一下基础的评价标准三件套（假设一共一百学生，男女各半，检测的时候男生全部检测正确，女生有25人分为男生）：

1. 准确率 accuracy:分类对的样本除以总样本个数，这个一般是针对于整个分类任务说的，这里一共分对了男生50人加女生25人也就是分对了75人，acc=0.75

2. 召回率recall，这个是针对某一类来说的，也就是一般说男生的recall,女生的recall，通俗来讲，recall总是偏心于自己这一类，就像孙子的奶奶一样，我孙子好了就行，其他人爱咋咋的，也就是他只管自己负责的这一类有多少被检测出来了，而不管其他类有多少误分成我这一类，比如本例中男生的recall是1，因为男生全部被检测出来了，所以男生的recall就高，女生只有一半被检测出来了，所以她的recall就是0.5

3.精确率precision（蛇皮翻译，和准确率有个naizi区别）,这个也是针对某一类来说的，这个相对于recall这个亲奶奶，就是后奶奶了，就会鸡蛋里挑骨头，好不容易有一些分成本类的，她还要挑挑捡捡，看是不是真的本类，也就是代表了被检出的某一类中，真正是该类的样本占的概率，本例中男生的precision是50/75=0.666，女生的precision就是25/25=1啦

顺便再多说一点吧，f1 score这个评价标准，简单的就是recall和precision的平均值，扩展的f1 scaore就是在两者中加一个系数a，来设置recall 和precision的重要性

那么物体定位中的map怎么计算的呢&#